河工动床模型试验水边界测量方法、装置、设备及介质

技术领域

本申请涉及水利测量技术领域，特别涉及一种河工动床模型试验水边界测量方法、装置、设备及介质。

背景技术

河工动床模型试验是研究河床演变机理和验证河流工程设计可行性的重要手段，在试验中需要对模型的水面流场分布、断面流速分布、断面地形、水位和水边界等要素进行测量。其中，水边界的动态变化反映了河床演变的趋势，例如河道展宽、洲滩消长和蜿蜒变化等典型特征；同时，水边界是水面流场分布和断面流速分布测量的必要数据，反映了流场边界、断面位置和河宽等信息。因此，准确高效地识别水边界是开展河工动床模型试验研究的关键技术。

相关技术中的河工动床模型试验水边界的提取方法主要包括人工测量方法、自动化测车采集方法和基于正射图像的人工拾取方法。其中，(1)人工测量方法一般沿控制断面测量水边界端点距离控制点的距离和高差，从而确定其坐标；(2)自动化测车采集方法首先在模型两侧搭建导轨，导轨上安装测桥，测桥上搭载装有传感器的测车，通过计算机控制测车移动和测量；(3)基于正射图像的人工拾取方法采用摄像机俯视采集试验照片，由于试验水流清澈，传统的图像分割算法难以精准提取水边界，实践中一般由技术人员从图像中拾取水边界。

然而，相关技术存在以下缺陷：(1)人工测量方法和自动化测车采集方法局限于特定控制断面，不适用于大范围水边界测量；(2)基于正射图像的人工拾取方法，适用于单摄像头局部范围提取水边界动态变化过程，但随着河床边界变化剧烈、模型尺寸增大、相机部署增多和图像数量增加，需要投入巨大的人力和时间成本。

发明内容

本申请提供一种河工动床模型试验水边界测量方法、装置、设备及介质，以解决了相关技术中的水边界测量方法耗时长，投入人力大的问题，适用于长距离大范围的河工动床模型试验水边界识别，实现河工动床模型全景水边界可视化，极大增强了河工动床模型试验的在线监控和分析能力。

本申请第一方面实施例提供一种河工动床模型试验水边界测量方法，包括以下步骤：获取待测量水边界图像；基于预先训练的河工动床模型试验水边界识别网络，识别所述待测量水边界图像得到所述待测量水边界的像素坐标，其中，所述河工动床模型试验水边界识别网络由目标水边界样本训练目标DeepLabV3+网络模型得到；以及根据所述水边界的像素坐标生成所述待测量水边界的可视化图像，且根据预设的成像分辨率和预设的点平面世界坐标，将所述像素坐标转换为世界坐标。

可选地，在一些实施例中，在基于所述预先训练的河工动床模型试验水边界识别网络，识别所述待测量水边界图像得到所述待测量水边界的像素坐标之前，还包括：采集水边界样本图像，并基于所述水边界样本图像制作通用水边界样本数据集；采集河工动床模型试验图像，并基于所述河工动床模型试验图像制作河工动床模型试验水边界样本数据集；搭建所述目标DeepLabV3+网络模型，并基于所述通用水边界样本数据集和所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，得到所述预先训练的河工动床模型试验水边界识别网络。

可选地，在一些实施例中，所述基于所述通用水边界样本数据集和所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，得到所述预先训练的河工动床模型试验水边界识别网络，包括：基于预设的轻量级深度卷积神经网络预训练权重，采用预设的冻结训练方法，利用所述通用水边界样本数据集对所述目标DeepLabV3+网络模型进行训练、评估和修正，直至达到第一预设预测精度阈值，得到通用型水边界识别权值文件；基于所述目标DeepLabV3+网络模型和所述通用型水边界识别权值文件，并采用所述预设的冻结训练方法，利用所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，直至达到第二预设预测精度阈值，得到所述预先训练的河工动床模型试验水边界识别网络。

可选地，在一些实施例中，所述搭建所述目标DeepLabV3+网络模型，包括：基于所述预设的轻量级深度卷积神经网络提取目标输入图像的高级语义特征和低级语义特征；将所述高级语义特征输入预设的空洞金字塔池化模块提取图像多尺度信息，并将所述图像多尺度信息分别与多个空洞卷积层和池化层进行卷积和池化，堆叠输出多张特征图，并对所述多张特征图通过1×1卷积进行通道数降维，得到有效特征层；将所述低级语义特征经过所述1×1卷积进行通道数降维，并将降维后的所述低级语义特征和所述有效特征层双线性插值上采样结果进行堆叠，并在堆叠结果上进行3×3卷积细化后，再双线性插值上采样处理，得到与所述目标输入图像尺寸相等的图像。

可选地，在一些实施例中，所述基于所述水边界样本图像制作通用水边界样本数据集，包括：利用图像标注工具对所述水边界样本图像进行标注，得到水边界标注样本图像；基于预设的增广策略，利用预设的transforms函数对所述水边界标注样本图像进行增广处理，得到所述通用水边界样本数据集。

可选地，在一些实施例中，所述采集河工动床模型试验图像，并基于所述河工动床模型试验图像制作河工动床模型试验水边界样本数据集，包括：获取河工动床模型试验图像，并对所述河工动床模型试验图像进行畸变校正，并基于编码标识物空间坐标和二维像素坐标计算投影变换矩阵，并基于投影变换矩阵对所述单目影像进行正射校正，并拼接为全景正射影像；选取预设模拟工况下的目标全景正射影像，对所述目标全景正射影像进行标注，并基于预设的裁剪策略和增广策略，对所述目标全景正射影像和标注后的所述目标全景正射影像进行处理，得到所述河工动床模型试验水边界样本数据集。

可选地，在一些实施例中，所述根据预设的成像分辨率和预设的点平面世界坐标，将所述像素坐标转换为世界坐标，包括：基于预设的线性转换公式，根据预设的成像分辨率和预设的点平面世界坐标，将所述像素坐标转换为世界坐标，其中，所述预设的线性转换公式为：

X＝x·Res+X

Y＝-y·Res+Y

其中，(X,Y)为世界坐标，(x,y)为像素坐标，(X

本申请第二方面实施例提供一种河工动床模型试验水边界测量装置，包括：获取模块，用于获取待测量水边界图像；识别模块，用于基于预先训练的河工动床模型试验水边界识别网络，识别所述待测量水边界图像得到所述待测量水边界的像素坐标，其中，所述河工动床模型试验水边界识别网络由目标水边界样本训练目标DeepLabV3+网络模型得到；以及生成模块，用于根据所述水边界的像素坐标生成所述待测量水边界的可视化图像，且根据预设的成像分辨率和预设的点平面世界坐标，将所述像素坐标转换为世界坐标。

可选地，在一些实施例中，在基于所述预先训练的河工动床模型试验水边界识别网络，识别所述待测量水边界图像得到所述待测量水边界的像素坐标之前，所述识别模块，还包括：第一采集单元，用于采集水边界样本图像，并基于所述水边界样本图像制作通用水边界样本数据集；第二采集单元，用于采集河工动床模型试验图像，并基于所述河工动床模型试验图像制作河工动床模型试验水边界样本数据集；搭建单元，搭建所述目标DeepLabV3+网络模型，并基于所述通用水边界样本数据集和所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，得到所述预先训练的河工动床模型试验水边界识别网络。

可选地，在一些实施例中，所述识别模块，还用于：基于预设的轻量级深度卷积神经网络预训练权重，采用预设的冻结训练方法，利用所述通用水边界样本数据集对所述目标DeepLabV3+网络模型进行训练、评估和修正，直至达到第一预设预测精度阈值，得到通用型水边界识别权值文件；基于所述目标DeepLabV3+网络模型和所述通用型水边界识别权值文件，并采用所述预设的冻结训练方法，利用所述河工动床模型试验水边界样本数据集训练所述目标DeepLabV3+网络模型，直至达到第二预设预测精度阈值，得到所述预先训练的河工动床模型试验水边界识别网络。

可选地，在一些实施例中，所述识别模块，还用于：基于所述预设的轻量级深度卷积神经网络提取目标输入图像的高级语义特征和低级语义特征；将所述高级语义特征输入预设的空洞金字塔池化模块提取图像多尺度信息，并将所述图像多尺度信息分别与多个空洞卷积层和池化层进行卷积和池化，堆叠输出多张特征图，并对所述多张特征图通过1×1卷积进行通道数降维，得到有效特征层；将所述低级语义特征经过所述1×1卷积进行通道数降维，并将降维后的所述低级语义特征和所述有效特征层双线性插值上采样结果进行堆叠，并在堆叠结果上进行3×3卷积细化后，再双线性插值上采样处理，得到与所述目标输入图像尺寸相等的图像。

可选地，在一些实施例中，所述第一采集单元，还用于：利用图像标注工具对所述水边界样本图像进行标注，得到水边界标注样本图像；基于预设的增广策略，利用预设的transforms函数对所述水边界标注样本图像进行增广处理，得到所述通用水边界样本数据集。

可选地，在一些实施例中，第二采集单元，还用于：获取河工动床模型试验图像，并对所述河工动床模型试验图像进行畸变校正，并基于编码标识物空间坐标和二维像素坐标计算投影变换矩阵，并基于投影变换矩阵对所述单目影像进行正射校正，并拼接为全景正射影像；选取预设模拟工况下的目标全景正射影像，对所述目标全景正射影像进行标注，并基于预设的裁剪策略和增广策略，对所述目标全景正射影像和标注后的所述目标全景正射影像进行处理，得到所述河工动床模型试验水边界样本数据集。

可选地，在一些实施例中，所述生成模块，还用于：基于预设的线性转换公式，根据预设的成像分辨率和预设的点平面世界坐标，将所述像素坐标转换为世界坐标，其中，所述预设的线性转换公式为：

X＝x·Res+X

Y＝-y·Res+Y

其中，(X,Y)为世界坐标，(x,y)为像素坐标，(X

本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的河工动床模型试验水边界测量方法。

本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的河工动床模型试验水边界测量方法。

由此，通过制作通用型水边界样本数据集和和搭建DeepLabV3+网络模型，训练通用型水边界识别网络，得到通用型水边界识别权值文件，并通过得到的通用型水边界识别权值文件和制作通用型水边界样本数据集和河工动床模型试验水边界样本数据集训练并生成河工动床模型试验水边界识别网络，进行全景图像剪裁、识别、拼接，提取水边界像素坐标并转换为世界坐标，生成水边界可视化影像，由此，解决了相关技术中的水边界测量方法耗时长，投入人力大的问题，适用于长距离大范围的河工动床模型试验水边界识别，实现河工动床模型全景水边界可视化，极大增强了河工动床模型试验的在线监控和分析能力。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的河工动床模型试验水边界测量方法的流程图；

图2为根据本申请一个具体实施例提供的基于DeepLabV3+的河工模型试验水边界测量方法的网络结构示意图；

图3为根据本申请一个具体实施例提供的河工动床模型试验水边界测量的采集及处理图像：

图4为根据本申请一个具体实施例提供的河工模型水边界图像采集的现场布置方案示意图；

图5为根据本申请一个具体实施例提供的河工动床模型试验水边界测量方法的流程图；

图6为根据本申请实施例提供的河工动床模型试验水边界测量装置的方框示意图；

图7为根据本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的河工动床模型试验水边界测量方法、装置、电子设备及存储介质。针对上述背景技术中提到的相关技术中的水边界测量方法耗时长，投入人力大的问题，本申请提供了一种河工动床模型试验水边界测量方法，在该方法中，通过制作通用型水边界样本数据集和和搭建DeepLabV3+网络模型，训练通用型水边界识别网络，得到通用型水边界识别权值文件，并通过得到的通用型水边界识别权值文件和制作通用型水边界样本数据集和河工动床模型试验水边界样本数据集训练并生成河工动床模型试验水边界识别网络，进行全景图像剪裁、识别、拼接，提取水边界像素坐标并转换为世界坐标，生成水边界可视化影像，由此，解决了相关技术中的水边界测量方法耗时长，投入人力大的问题，适用于长距离大范围的河工动床模型试验水边界识别，实现河工动床模型全景水边界可视化，极大增强了河工动床模型试验的在线监控和分析能力。

具体而言，图1为本申请实施例所提供的一种河工动床模型试验水边界测量方法的流程示意图。

如图1所示，该河工动床模型试验水边界测量方法包括以下步骤：

在步骤S101中，获取待测量水边界图像。

具体地，本申请实施例可以使用相关图像传感器获取待测量水边界图像，例如，通过相机获取待测量水边界图像。

在步骤S102中，基于预先训练的河工动床模型试验水边界识别网络，识别待测量水边界图像得到待测量水边界的像素坐标，其中，河工动床模型试验水边界识别网络由目标水边界样本训练目标DeepLabV3+网络模型得到。

可选地，在一些实施例中，搭建目标DeepLabV3+网络模型，包括：基于预设的轻量级深度卷积神经网络提取目标输入图像的高级语义特征和低级语义特征；将高级语义特征输入预设的空洞金字塔池化模块提取图像多尺度信息，并将图像多尺度信息分别与多个空洞卷积层和池化层进行卷积和池化，堆叠输出多张特征图，并对多张特征图通过1×1卷积进行通道数降维，得到有效特征层；将低级语义特征经过1×1卷积进行通道数降维，并将降维后的低级语义特征和有效特征层双线性插值上采样结果进行堆叠，并在堆叠结果上进行3×3卷积细化后，再双线性插值上采样处理，得到与目标输入图像尺寸相等的图像。

具体地，如图2所示，采用轻量级深度卷积神经网络MobileNetV2作为主干网络模型，提取输入图像的高级语义特征和低级语义特征；将高级语义特征输入空洞金字塔池化模块ASPP提取图像多尺度信息，分别与四个空洞卷积层和一个池化层进行卷积和池化，堆叠输出的五张特征图并通过1×1卷积进行通道数降维，得到有效特征层；将低级语义特征经过1×1卷积进行通道数降维，再和有效特征层双线性插值上采样结果进行堆叠，在堆叠结果上进行3×3卷积细化，再双线性插值上采样处理，使其与原始输入图像尺寸一致。

可选地，在一些实施例中，基于通用水边界样本数据集和河工动床模型试验水边界样本数据集训练目标DeepLabV3+网络模型，得到预先训练的河工动床模型试验水边界识别网络，包括：基于预设的轻量级深度卷积神经网络预训练权重，采用预设的冻结训练方法，利用通用水边界样本数据集对目标DeepLabV3+网络模型进行训练、评估和修正，直至达到第一预设预测精度阈值，得到通用型水边界识别权值文件；基于目标DeepLabV3+网络模型和通用型水边界识别权值文件，并采用预设的冻结训练方法，利用河工动床模型试验水边界样本数据集训练目标DeepLabV3+网络模型，直至达到第二预设预测精度阈值，得到预先训练的河工动床模型试验水边界识别网络。

具体地，利用改进后的DeepLabV3+网络模型，提取通用型水边界样本图像的水边界特征，使用MobileNetV2预训练权重并采用冻结训练方法，利用样本数据集对改进后的模型进行训练、评估和修正，直至达到预设的预测精度阈值，保存通用型水边界识别权值文件；

训练基于Pytorch深度学习框架，使用Intel i7 CPU和NVIDIAGeForce GTX1660SUPER GPU进行训练，相关参数设置如下：图像下采样倍数为8，学习率设置为0.01，优化器选择随机梯度下降法，加载数据线程数目为4，冻结训练步数为50，总训练步数为200。

基于改进后的DeepLabV3+网络模型和通用型水边界识别权值文件，提取河工动床模型试验水边界样本图像的水边界特征，采用冻结训练方法，利用样本数据集中的训练数据对改进后的模型进行训练，再利用样本数据集中的测试数据进行模型评估和修正，直至达到预设的预测精度阈值，生成河工动床模型试验水边界识别网络。

并利用河工动床模型试验水边界识别网络提取水边界坐标并生成可视化图像如图3所示，第i时刻4部相机同步采集影像，如图3的(a)，基于地面控制点5拼接得到全景正射影像，如图3的(b)A

利用河工动床模型试验水边界识别网络处理图像A

在步骤S103中，根据水边界的像素坐标生成待测量水边界的可视化图像，且根据预设的成像分辨率和预设的点平面世界坐标，将像素坐标转换为世界坐标。

可选地，在一些实施例中，根据预设的成像分辨率Res和预设的点平面世界坐标(X

X＝x·Res+X

Y＝-y·Res+Y

其中，(X,Y)为世界坐标，(x,y)为像素坐标，(X

将水边界坐标P

可选地，在一些实施例中，在基于预先训练的河工动床模型试验水边界识别网络，识别待测量水边界图像得到待测量水边界的像素坐标之前，还包括：采集水边界样本图像，并基于水边界样本图像制作通用水边界样本数据集；采集河工动床模型试验图像，并基于河工动床模型试验图像制作河工动床模型试验水边界样本数据集；搭建目标DeepLabV3+网络模型，并基于通用水边界样本数据集和河工动床模型试验水边界样本数据集训练目标DeepLabV3+网络模型，得到预先训练的河工动床模型试验水边界识别网络。

可选地，在一些实施例中，基于水边界样本图像制作通用水边界样本数据集，包括：利用图像标注工具对水边界样本图像进行标注，得到水边界标注样本图像；基于预设的增广策略，利用预设的transforms函数对水边界标注样本图像进行增广处理，得到通用水边界样本数据集。

其中，预设的增广策略可以为使用PyTorch中的transforms函数进行数据增广处理。

具体地，在本申请实施例中可以利用图像标注工具Labelme对样本图像进行标注，标注对象分为水面和背景两类；使用PyTorch中的transforms函数进行数据增广处理，处理方式包括旋转、翻转、亮度变化、对比度变化处理，共得到4180张图像，图像像素大小统一调整为512×512；将数据增广处理后的图像块随机分成训练数据和测试数据，其中80％图像块作为训练数据以训练数据集形式存储，20％图像块作为测试数据以测试数据集形式存储，训练数据集和测试数据集构成通用型水边界样本数据集。

可选地，在一些实施例中，采集河工动床模型试验图像，并基于河工动床模型试验图像制作河工动床模型试验水边界样本数据集，包括：获取河工动床模型试验图像，并对河工动床模型试验图像进行畸变校正，并基于编码标识物空间坐标和二维像素坐标计算投影变换矩阵，并基于投影变换矩阵对单目影像进行正射校正，并拼接为全景正射影像；选取预设模拟工况下的目标全景正射影像，对目标全景正射影像进行标注，并基于预设的裁剪策略和增广策略，对目标全景正射影像和标注后的目标全景正射影像进行处理，得到河工动床模型试验水边界样本数据集。

其中，预设的裁剪策略为通过预设的裁剪框进行裁剪，预设的剪裁框近似为平均河宽尺寸的方形框。

具体地，采集河工动床模型试验图像，包括但不限于平原河流、山区河流、人工灌渠、湖泊、水库等典型水域的待测量水边界图像，覆盖强光、弱光、倒影、水波、反光等复杂光照条件，为使测量准确，本申请实施例可以收集836张待测量水边界图像。

具体地，如图4所示，河工动床模型试验水边界样本采集的典型布置如图2，河工动床模型1存在水面区域2，沿模型中心线3布置多台摄像机，分别拍摄模型局部图像4，相邻图像存在边界重合区域，并在局部图像左上、左下、右上和右下四个区域布置编码标识物(地面控制点)，重合区域共享编码标识物5；对单目影像进行畸变校正，得到非畸变图像，并基于编码标识物空间坐标(X,Y,Z)和二维像素坐标(u,v)，计算投影变换矩阵：

已知水位为H，令上式中的Z＝H，可将图像上的每个像素点(u,v)投影至水面所处的平面(X

选取50张典型模拟工况下的全景正射影像，利用图像标注工具Labelme对样本图像进行标注，标注对象分为水面和背景两类；

沿全景图像中模型河流兴趣区域的中心线(长度为L)，将全景正射影像和对应的标签图像随机剪裁为平均模型宽度尺寸W的正方形图像块，剪裁次数为floor(1.5L/W)，其中floor为向下取整函数；本实施例中模型河流兴趣区域中心线长度约12m，模型宽度为2m，计算剪裁次数为9，共计得到450张方形图像块。使用PyTorch中的transforms函数对剪裁后的方形图像块进行数据增广处理，处理方式包括旋转、翻转、亮度变化、对比度变化处理，共得到2250张图像，图像像素大小统一调整为512×512；

将数据增广处理后的图像块随机分成训练数据和测试数据，其中80％图像块作为训练数据以训练数据集形式存储，20％图像块作为测试数据以测试数据集形式存储，训练数据集和测试数据集构成通用型水边界样本数据集。

本申请实施例基于通用型水边界识别权值文件进行训练，经过实际软件测算平均交并比达到99.02％，取得小样本高精度预测结果，全景图像像素尺寸为8000×1114，单张全景图像处理得到水边界坐标和可视化图像的平均时间为0.59s。

为使本领域技术人员进一步了解本申请实施例的河工动床模型试验水边界实时测量方法，下面结合具体实施例进行详细阐述。

如图5所示，图5本申请实施例的河工动床模型试验水边界实时测量方法的流程图。

S1，通过收集典型类型水边界图像，并进行图像标注与增广处理，划分训练数据集与测试数据集，制作通用型水边界样本数据集。

S2，通过多相机采集动床河工模型试验图像，并将图像正射矫正拼接为全景图像，并进行图像标注、剪裁与增广处理，划分训练数据集与测试数据集，制作河工动床模型试验水边界样本数据集。

S3，搭建DeepLabV3+网络模型。

S4，通过步骤S1得到的通用型水边界样本数据集和S3得到的DeepLabV3+网络模型训练通用型水边界识别网络，得到通用型水边界识别权值文件，并通过通用型水边界识别权值文件和步骤S2得到的河工动床模型试验水边界样本数据集训练并生成河工动床模型试验水边界识别网络。

S5，进行全景图像剪裁、识别、拼接，提取水边界像素坐标并转换为世界坐标，生成水边界可视化影像。

由此，本申请实施例提出河工动床模型试验水边界实时测量方法，可直接应用于河工动床模型试验的水边界识别，识别得到参考坐标系下的水边界世界坐标和可视化数字图像，可为河工动床模型试验现场分析提供基础数据；本申请实施例的DeepLabV3+的河工模型试验水边界测量方法，具有识别效率高、范围大、精度高的特点，特别适合于长距离大范围的河工动床模型试验水边界识别，有效解决了传统方法耗时长、投入人力大的问题；本申请实施例的输出参考坐标系下的水边界坐标，可直接应用于河床演变分析，减少了坐标系转换的工序；水边界识别结果叠加至全景正射图像，实现河工动床模型全景水边界可视化，极大增强了河工动床模型试验的在线监控和分析能力。

根据本申请实施例提出的河工动床模型试验水边界测量方法，通过制作通用型水边界样本数据集和和搭建DeepLabV3+网络模型，训练通用型水边界识别网络，得到通用型水边界识别权值文件，并通过得到的通用型水边界识别权值文件和制作通用型水边界样本数据集和河工动床模型试验水边界样本数据集训练并生成河工动床模型试验水边界识别网络，进行全景图像剪裁、识别、拼接，提取水边界像素坐标并转换为世界坐标，生成水边界可视化影像，由此，解决了相关技术中的水边界测量方法耗时长，投入人力大的问题，适用于长距离大范围的河工动床模型试验水边界识别，实现河工动床模型全景水边界可视化，极大增强了河工动床模型试验的在线监控和分析能力。

其次参照附图描述根据本申请实施例提出的河工动床模型试验水边界测量装置。

图6是本申请实施例的河工动床模型试验水边界测量装置的方框示意图。

如图6所示，该河工动床模型试验水边界测量装置10包括：获取模块100、识别模块20和生成模块300。

其中，获取模块100，用于获取待测量水边界图像；识别模块200，用于基于预先训练的河工动床模型试验水边界识别网络，识别待测量水边界图像得到待测量水边界的像素坐标，其中，河工动床模型试验水边界识别网络由目标水边界样本训练目标DeepLabV3+网络模型得到；以及生成模块300，用于根据水边界的像素坐标生成待测量水边界的可视化图像，且根据预设的成像分辨率和预设的点平面世界坐标，将像素坐标转换为世界坐标。

可选地，在一些实施例中，在基于预先训练的河工动床模型试验水边界识别网络，识别待测量水边界图像得到待测量水边界的像素坐标之前，识别模块200，还包括：第一采集单元，用于采集水边界样本图像，并基于水边界样本图像制作通用水边界样本数据集；第二采集单元，用于采集河工动床模型试验图像，并基于河工动床模型试验图像制作河工动床模型试验水边界样本数据集；搭建单元，搭建目标DeepLabV3+网络模型，并基于通用水边界样本数据集和河工动床模型试验水边界样本数据集训练目标DeepLabV3+网络模型，得到预先训练的河工动床模型试验水边界识别网络。

可选地，在一些实施例中，识别模块200，还用于：基于预设的轻量级深度卷积神经网络预训练权重，采用预设的冻结训练方法，利用通用水边界样本数据集对目标DeepLabV3+网络模型进行训练、评估和修正，直至达到第一预设预测精度阈值，得到通用型水边界识别权值文件；基于目标DeepLabV3+网络模型和通用型水边界识别权值文件，并采用预设的冻结训练方法，利用河工动床模型试验水边界样本数据集训练目标DeepLabV3+网络模型，直至达到第二预设预测精度阈值，得到预先训练的河工动床模型试验水边界识别网络。

可选地，在一些实施例中，识别模块200，还用于：基于预设的轻量级深度卷积神经网络提取目标输入图像的高级语义特征和低级语义特征；将高级语义特征输入预设的空洞金字塔池化模块提取图像多尺度信息，并将图像多尺度信息分别与多个空洞卷积层和池化层进行卷积和池化，堆叠输出多张特征图，并对多张特征图通过1×1卷积进行通道数降维，得到有效特征层；将低级语义特征经过1×1卷积进行通道数降维，并将降维后的低级语义特征和有效特征层双线性插值上采样结果进行堆叠，并在堆叠结果上进行3×3卷积细化后，再双线性插值上采样处理，得到与目标输入图像尺寸相等的图像。

可选地，在一些实施例中，第一采集单元，还用于：利用图像标注工具对水边界样本图像进行标注，得到水边界标注样本图像；基于预设的增广策略，利用预设的transforms函数对水边界标注样本图像进行增广处理，得到通用水边界样本数据集。

可选地，在一些实施例中，第二采集单元，还用于：获取河工动床模型试验图像，并对河工动床模型试验图像进行畸变校正，并基于编码标识物空间坐标和二维像素坐标计算投影变换矩阵，并基于投影变换矩阵对单目影像进行正射校正，并拼接为全景正射影像；选取预设模拟工况下的目标全景正射影像，对目标全景正射影像进行标注，并基于预设的裁剪策略和增广策略，对目标全景正射影像和标注后的目标全景正射影像进行处理，得到河工动床模型试验水边界样本数据集。

可选地，在一些实施例中，生成模块300，还用于：基于预设的线性转换公式，根据预设的成像分辨率和预设的点平面世界坐标，将像素坐标转换为世界坐标，其中，预设的线性转换公式为：

X＝x·Res+X

Y＝-y·Res+Y

其中，(X,Y)为世界坐标，(x,y)为像素坐标，(X

需要说明的是，前述对河工动床模型试验水边界测量方法实施例的解释说明也适用于该实施例的河工动床模型试验水边界测量装置，此处不再赘述。

根据本申请实施例提出的河工动床模型试验水边界测量装置，通过制作通用型水边界样本数据集和和搭建DeepLabV3+网络模型，训练通用型水边界识别网络，得到通用型水边界识别权值文件，并通过得到的通用型水边界识别权值文件和制作通用型水边界样本数据集和河工动床模型试验水边界样本数据集训练并生成河工动床模型试验水边界识别网络，进行全景图像剪裁、识别、拼接，提取水边界像素坐标并转换为世界坐标，生成水边界可视化影像，由此，解决了相关技术中的水边界测量方法耗时长，投入人力大的问题，适用于长距离大范围的河工动床模型试验水边界识别，实现河工动床模型全景水边界可视化，极大增强了河工动床模型试验的在线监控和分析能力。

图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：

存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。

处理器702执行程序时实现上述实施例中提供的河工动床模型试验水边界测量方法。

进一步地，电子设备还包括：

通信接口703，用于存储器701和处理器702之间的通信。

存储器701，用于存放可在处理器702上运行的计算机程序。

存储器701可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。

如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。

处理器702可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的河工动床模型试验水边界测量方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。